• هیچ محصولی در سبد خرید نیست.

هوش مصنوعی از ۰ تا ۱۰۰ ( قسمت اول )

کامل ترین و جامع ترین مقاله هوش مصنوعی

فهرست

بخش اول ( نظریه پردازی یا تئوری ) :

  • خوانندگان این مقاله
  • فلسفه هوش مصنوعی
  • هوش مصنوعی چیست ؟
  • چرا هوش مصنوعی ؟
  • اهداف هوش مصنوعی
  • هوش مصنوعی ترکیبی از چه علومی است ؟
  • مزیت های هوش مصنوعی
  • کاربرد هوش مصنوعی
  • چگونگی استفاده هوش مصنوعی
  • خطرات و عواقب هوش مصنوعی
  • تاریخچه هوش مصنوعی
  • انواع هوش مصنوعی
  • نحوه استفاده از هوش مصنوعی در برنامه نویسی

خوانندگان این مقاله چه کسانی هستند :

این آموزش برای دانش پذیران هوش مصنوعی ، دانشجوها ، مهندسین و مقطع دکترا تهیه شده است اما ما به طور خاص برای مبتدیان طراحی کرده ایم به توانند به راحتی هرچه تمام تر از مزایای این علم در حال گستری در دنیای مدرن امروز استفاده هرچه تمام تر را ببرند اما ممکن است این آموزش دارای برخی مفاهیم سطح بالا باشد که نیاز من پیش ضمینه های عملی و کارکرد تجربی در را در این ضمینه می پذیرد .

هوش مصنوعی چیست ؟!

در اینجا ، یکی از پررونق ترین فناوری های علوم رایانه ، هوش مصنوعی است که با ساخت ماشین های هوشمند آماده ایجاد انقلابی جدید در جهان است. هوش مصنوعی اکنون در سراسر جهان ما وجود دارد. 
در حال حاضر با زیرمجموعه های مختلف اعم از عمومی تا خاص مانند اتومبیل های خودران ، بازی شطرنج ، اثبات قضیه هوش برتر ، پخش موسیقی ، نقاشی و غیره این کار در حال انجام است.
هوش مصنوعی یکی از رشته های جذاب و جهانی علوم کامپیوتر است که در آینده از دامنه وسیعی برخوردار است. 
هوش مصنوعی تمایل دارد که ماشین را به عنوان یک انسان کار کند.

 

هوش مصنوعی چیست ؟!

هوش مصنوعی از دو کلمه مصنوعی و هوش تشکیل شده است ، جایی که مصنوعی “انسان ساخته” را تعریف می کند و هوش “قدرت تفکر” را تعریف می کند ، از این رو AI به معنای “یک قدرت تفکر ساخته دست بشر” است.

بنابراین ، می توانیم هوش مصنوعی را به صورت زیر تعریف کنیم: “این شاخه ای از علوم کامپیوتر است که به وسیله آن می توانیم ماشین های هوشمندی بسازیم که بتوانند مانند انسان رفتار کنند ، مانند انسان فکر کنند و قادر به تصمیم گیری باشند.” 

هوش مصنوعی زمانی وجود دارد که یک ماشین بتواند مهارت های انسانی مانند یادگیری ، استدلال و حل مشکلات را داشته باشد

با وجود هوش مصنوعی برای انجام کار نیازی به پیش برنامه ریزی دستگاه ندارید ، علی رغم اینکه می توانید دستگاهی با الگوریتم های برنامه ریزی شده ایجاد کنید که بتواند با هوش خود کار کند و این عالی بودن هوش مصنوعی است.

اعتقاد بر این است که هوش مصنوعی یک فناوری جدید نیست و برخی می گویند طبق افسانه های یونان ، در روزهای ابتدایی مردان مکانیکی وجود داشته که می توانند مانند انسانها کار کنند و رفتار کنند.

چرا هوش مصنوعی؟


قبل از یادگیری در مورد هوش مصنوعی ، باید بدانیم که اهمیت هوش مصنوعی چیست و چرا باید آن را یاد بگیریم. در زیر برخی از دلایل اصلی برای یادگیری در مورد هوش مصنوعی ذکر شده است:

  • با کمک هوش مصنوعی می توانید چنین نرم افزارها یا دستگاه هایی را بسازید که بتوانند مشکلات دنیای واقعی را خیلی راحت و با دقت مانند مشکلات بهداشتی ، بازاریابی ، ترافیک و … حل کنند.
  • با کمک AI می توانید دستیار مجازی شخصی خود مانند Cortana ، Google Assistant ، Siri و … را ایجاد کنید.
  • با کمک AI می توانید چنین ربات هایی بسازید که بتوانند در محیطی کار کنند که بقای انسان در معرض خطر باشد.
  • هوش مصنوعی راهی را برای سایر فناوری های جدید ، دستگاه های جدید و فرصت های جدید باز می کند.

 

اهداف هوش مصنوعی

در زیر اهداف اصلی هوش مصنوعی آمده است:

  1. هوش انسان را تکرار کنید
  2. وظایف دانش فشرده را حل کنید
  3. ارتباط هوشمند ادراک و عمل
  4. ساخت ماشینی که بتواند وظایفی را انجام دهد که به هوش انسانی نیاز دارد مانند:
    • اثبات قضیه
    • بازی شطرنج
    • برخی از عمل های جراحی را برنامه ریزی کنید
    • رانندگی با ماشین در ترافیک
  5. ایجاد برخی از سیستم ها که می توانند رفتار هوشمندانه ای از خود نشان دهند ، چیزهای جدیدی را به خودی خود بیاموزند ، به کاربران خود نشان دهند ، توضیح دهند و به آنها مشاوره دهند.

هوش مصنوعی چه علومی میشود !؟


هوش مصنوعی فقط بخشی از علوم رایانه نیست حتی بسیار گسترده است و به عوامل زیادی نیاز دارد که می توانند در آن نقش داشته باشند. برای ایجاد هوش مصنوعی ابتدا باید بدانیم که هوش چگونه تشکیل شده است ، بنابراین هوش بخشی ناملموس از مغز ما است که ترکیبی از استدلال ، یادگیری ، درک مسئله ، درک زبان و غیره است .

برای دستیابی به عوامل فوق برای ماشین یا نرم افزار هوش مصنوعی نیاز به رشته زیر دارد:

  • ریاضیات
  • زیست شناسی
  • روانشناسی
  • جامعه شناسی
  • علوم کامپیوتر
  • مطالعه نورونها
  • آمار

مزیت های هوش مصنوعی

در زیر برخی از مزایای اصلی هوش مصنوعی ذکر شده است:

  • دقت بالا با خطاهای کمتر: ماشین ها یا سیستم های هوش مصنوعی مستعد ابتلا به خطاهای کمتر و دقت بالا هستند زیرا تصمیمات مربوط به پیش تجربه یا اطلاعات را اتخاذ می کنند.
  • سرعت بالا: سیستم های هوش مصنوعی می توانند بسیار سریع و سریع تصمیم بگیرند ، به همین دلیل سیستم های هوش مصنوعی می توانند یک قهرمان شطرنج را در بازی شطرنج شکست دهند.
  • قابلیت اطمینان بالا: ماشین های هوش مصنوعی بسیار قابل اعتماد هستند و می توانند همان عملکرد را چندین بار با دقت بالا انجام دهند.
  • مفید برای مناطق پر خطر: دستگاه های هوش مصنوعی می توانند در شرایطی مانند خنثی سازی بمب ، کاوش در کف اقیانوس ، جایی که به کارگیری یک انسان خطرناک است ، مفید باشند.
  • دستیار دیجیتال: هوش مصنوعی می تواند برای ارائه دستیار دیجیتال به کاربران بسیار مفید باشد ، از جمله فناوری هوش مصنوعی که در حال حاضر توسط وب سایت های مختلف تجارت الکترونیکی استفاده می شود تا محصولات را بر اساس نیاز مشتری نشان دهد.
  • مفید به عنوان یک تسهیلات عمومی : هوش مصنوعی می تواند برای خدمات عمومی مانند اتومبیل خودران که می تواند سفر ما را ایمن تر و بدون دردسر کند ، شناسایی چهره برای اهداف امنیتی ، پردازش زبان طبیعی برای برقراری ارتباط با انسان به زبان انسانی بسیار مفید است. ، و غیره.

خطرات و عواقب هوش مصنوعی


هر فناوری معایبی دارد و همین موارد مربوط به هوش مصنوعی است. با وجود این که فناوری بسیار مطلوبی است ، معایبی نیز دارد که باید هنگام ایجاد یک سیستم AI در ذهن داشته باشیم. در زیر معایب AI وجود دارد:

  • هزینه بالا: سخت افزار و نرم افزار مورد نیاز AI بسیار پرهزینه است زیرا برای تأمین نیازهای روز دنیا به تعمیر و نگهداری زیادی نیاز دارد.
  • نمی توان خارج از جعبه فکر کرد: حتی ما در حال ساخت ماشین های هوشمند تری با هوش مصنوعی هستیم ، اما با این وجود آنها نمی توانند خارج از جعبه کار کنند ، زیرا ربات فقط آن کارهایی را انجام می دهد که برای آنها آموزش دیده یا برنامه ریزی شده است.
  • احساسات و عواطف وجود ندارد: دستگاه های هوش مصنوعی می توانند عملکرد برجسته ای داشته باشند ، اما هنوز هم چنین احساسی را ندارند بنابراین نمی توانند هیچ نوع وابستگی عاطفی با انسان ایجاد کنند و در صورت عدم مراقبت مناسب ممکن است گاهی برای کاربران مضر باشد.
  • افزایش وابستگی به ماشین ها: با افزایش تکنولوژی ، افراد بیشتر به دستگاه ها وابسته می شوند و از این رو توانایی های ذهنی خود را از دست می دهند.
  • خلاقیت اصلی وجود ندارد: از آنجا که انسان بسیار خلاق است و می تواند برخی ایده های جدید را تصور کند ، اما هنوز دستگاه های هوش مصنوعی نمی توانند این قدرت هوش انسان را شکست دهند و نمی توانند خلاق و تخیل باشند.

پیش نیاز های ضروری برای مبحث هوش مصنوعی

قبل از یادگیری در مورد هوش مصنوعی ، شما باید دانش اساسی پیروی داشته باشید تا بتوانید مفاهیم را به راحتی درک کنید:

  • زبان برنامه نویسی پایتون
  • دانش ریاضیات اساسی مانند مشتقات ، نظریه احتمالات و جبر خطی و آرایه ها و ماتریس ها
  • کاربا پکیج های مختلف برنامه نویسی
  • یاد داشتن اصول اولیه طراحی الگوریتم
  • یادداشتن الگوریتم های اصلی یادگیری ماشین و یادگیری عمیق

کاربرد هوش مصنوعی


هوش مصنوعی در جامعه امروز کاربردهای مختلفی دارد. این امر برای زمان امروز ضروری است زیرا می تواند مشکلات پیچیده ای را با روشی کارآمد در صنایع مختلف از جمله بهداشت ، سرگرمی ، امور مالی ، آموزش و غیره حل کند. هوش مصنوعی باعث راحتی و سرعت زندگی روزمره ما می شود.

برخی از بخشهایی که از هوش مصنوعی استفاده می کنند در زیر آمده است:

۱. هوش مصنوعی در نجوم

  • هوش مصنوعی می تواند برای حل مشکلات پیچیده جهان بسیار مفید باشد. فناوری هوش مصنوعی می تواند برای درک جهان مانند نحوه کار ، منشأ و غیره مفید باشد.

۲. هوش مصنوعی در بهداشت و درمان

  • در پنج ، ده سال گذشته ، هوش مصنوعی برای صنعت بهداشت و درمان سودمندتر شده و تأثیر بسزایی در این صنعت خواهد داشت.
  • صنایع بهداشتی از AI برای تشخیص بهتر و سریعتر از انسان استفاده می کنند. هوش مصنوعی می تواند به پزشکان در تشخیص کمک کند و می تواند در هنگام وخیم شدن بیمار اطلاع دهد تا کمک پزشکی قبل از بستری شدن در بیمارستان به بیمار برسد.

۳. هوش مصنوعی در بازی

  • هوش مصنوعی را می توان برای اهداف بازی استفاده کرد. دستگاه های هوش مصنوعی می توانند بازی های استراتژیک مانند شطرنج را انجام دهند ، جایی که دستگاه باید به تعداد زیادی مکان ممکن فکر کند.

۴. هوش مصنوعی در امور مالی

  • صنایع هوش مصنوعی و مالی بهترین موارد منطبق بر یکدیگر هستند. صنعت مالی در حال انجام اتوماسیون ، چت بات ، هوش تطبیقی ​​، تجارت الگوریتم و یادگیری ماشین در فرایندهای مالی است.

۵. هوش مصنوعی در امنیت داده

  • امنیت داده ها برای هر شرکت بسیار مهم است و حملات سایبری در دنیای دیجیتال به سرعت در حال رشد است. هوش مصنوعی می تواند برای ایمن و ایمنتر کردن اطلاعات شما استفاده شود. برخی از نمونه ها مانند AEG bot ، AI2 Platform برای تعیین اشکال نرم افزاری و حملات سایبری به روشی بهتر استفاده می شوند.

۶. هوش مصنوعی در رسانه های اجتماعی

  • سایت های رسانه های اجتماعی مانند فیس بوک ، توییتر و اسنپ چت حاوی میلیاردها پروفایل کاربر هستند که باید به روشی بسیار کارآمد ذخیره و مدیریت شوند. هوش مصنوعی می تواند حجم گسترده ای از داده ها را سازماندهی و مدیریت کند. هوش مصنوعی می تواند داده های زیادی را تجزیه و تحلیل کند تا آخرین روندها ، هشتگ ها و نیازهای کاربران مختلف را شناسایی کند.

۷. هوش مصنوعی در سفر و حمل و نقل

  • هوش مصنوعی برای صنایع مسافرتی بسیار طلبکار است. هوش مصنوعی قادر به انجام کارهای مختلف مربوط به سفر است ، از جمله ایجاد ترتیب سفر تا پیشنهاد هتل ها ، پروازها و بهترین مسیرها به مشتریان. صنایع مسافرتی از چت ربات های مجهز به هوش مصنوعی استفاده می کنند که می تواند تعامل انسانی مانند مشتری را برای پاسخگویی بهتر و سریع ایجاد کند.

۸. هوش مصنوعی در صنعت خودرو

  • برخی از صنایع خودروسازی از AI برای ارائه دستیار مجازی برای عملکرد بهتر کاربر خود استفاده می کنند. مانند تسلا تسلا بوت ، یک دستیار مجازی هوشمند را معرفی کرده است.
  • صنایع مختلف در حال حاضر در حال توسعه اتومبیل های خودران هستند که می تواند سفر شما را ایمن و مطمئن کند.

۹. هوش مصنوعی در رباتیک:

  • هوش مصنوعی نقش چشمگیری در رباتیک دارد. معمولاً ربات های عمومی به گونه ای برنامه ریزی می شوند که می توانند برخی وظایف تکراری را انجام دهند ، اما با کمک AI می توان ربات های هوشمندی را ایجاد کرد که می توانند بدون تجویز از قبل برنامه ریزی شده ، کارها را با تجربیات خود انجام دهند.
  • ربات های Humanoid بهترین نمونه برای هوش مصنوعی در رباتیک هستند ، اخیراً ربات انسان نما باهوش به نام اریکا و سوفیا ساخته شده است که می تواند مانند انسانها صحبت کند و رفتار کند.

۱۰. هوش مصنوعی در سرگرمی

  • ما در حال حاضر از برخی برنامه های مبتنی بر هوش مصنوعی در زندگی روزمره خود با برخی از سرویس های سرگرمی مانند Netflix یا Amazon استفاده می کنیم. با کمک الگوریتم های ML / AI ، این سرویس ها توصیه های مربوط به برنامه ها یا نمایش ها را نشان می دهند.

۱۱. هوش مصنوعی در کشاورزی

  • کشاورزی منطقه ای است که برای دستیابی به بهترین نتیجه به منابع ، نیروی کار ، پول و زمان مختلف نیاز دارد. اکنون کشاورزی یک روزه دیجیتالی می شود و هوش مصنوعی در این زمینه ظهور می کند. کشاورزی از هوش مصنوعی به عنوان رباتیک کشاورزی ، نظارت بر میزان جامد و محصول ، تجزیه و تحلیل پیش بینی استفاده می کند. هوش مصنوعی در کشاورزی می تواند برای کشاورزان بسیار مفید باشد.

۱۲. هوش مصنوعی در تجارت الکترونیکی

  • هوش مصنوعی یک مزیت رقابتی برای صنعت تجارت الکترونیکی است و در تجارت تجارت الکترونیک نیز تقاضای بیشتری دارد. هوش مصنوعی به خریداران کمک می کند تا محصولات مرتبط با اندازه ، رنگ یا حتی مارک پیشنهادی را کشف کنند.

۱۳. هوش مصنوعی در آموزش:

  • هوش مصنوعی می تواند درجه بندی را به صورت خودکار انجام دهد تا استاد راهنما بتواند زمان بیشتری برای تدریس داشته باشد. chatbot AI می تواند به عنوان دستیار آموزشی با دانش آموزان ارتباط برقرار کند.
  • هوش مصنوعی در آینده می تواند به عنوان یک معلم خصوصی شخصی برای دانشجویان کار کند که به راحتی در هر زمان و هر مکان قابل دسترسی خواهد بود.

تاریخچه هوش مصنوعی

هوش مصنوعی برای محققان یک واژه جدید و یک فناوری جدید نیست. این فناوری بسیار قدیمی تر از تصور شماست. حتی افسانه های مردان مکانیکی در اساطیر یونان باستان و مصر وجود دارد. در زیر برخی از نقاط عطف تاریخ هوش مصنوعی ذکر شده است که سفر از نسل هوش مصنوعی تا توسعه امروز را مشخص می کند.

۱۹۲۳ :

نمایشنامه کارل شاپک با نام “روبات های جهانی روسوم” (RUR) در لندن آغاز به کار می کند ، اولین استفاده از کلمه “ربات” در زبان انگلیسی شروع میشود.

۱۹۴۳:

پایه گذاری شبکه های عصبی گذاشته شده می شود.

۱۹۴۵ :

آیزاک آسیموف ، فارغ التحصیلان دانشگاه کلمبیا ، اصطلاح رباتیک را ابداع کرد .

۱۹۵۰:

آلن تورینگ تست تورینگ را برای ارزیابی هوش معرفی کرد و ماشین آلات و هوش رایانه را منتشر کرد کلود شانون تحلیل دقیق بازی شطرنج را به عنوان جستجو منتشر کرد.

۱۹۵۶:


جان مک کارتی اصطلاح هوش مصنوعی را ابداع کرد . نمایش اولین برنامه هوش مصنوعی در حال اجرا در دانشگاه کارنگی ملون.

۱۹۵۸:

جان مک کارتی زبان برنامه نویسی LISP را برای هوش مصنوعی اختراع می کند.

۱۹۶۴:

پایان نامه دنی بوبرو در MIT نشان داد که رایانه ها می توانند زبان طبیعی را به اندازه کافی درک کنند تا مشکلات کلمات جبر را به درستی حل کنند.

۱۹۶۵:

جوزف وایزنباوم در MIT ELIZA را ساخت ، مشکلی تعاملی است که گفتگو به انگلیسی را ادامه می دهد.

۱۹۶۹:

دانشمندان در موسسه تحقیقاتی استنفورد Shakey را توسعه دادند ، روباتی مجهز به جابجایی ، درک و حل مسئله.

۱۹۷۳:

گروه رباتیک اسمبلی در دانشگاه ادینبورگ فردی ، ربات معروف اسکاتلندی را ساخت که قادر به استفاده از دید برای تعیین و مونتاژ مدل ها است.

۱۹۷۹:

اولین وسیله نقلیه خودمختار با کنترل کامپیوتر ، استنفورد کارت ساخته شد.

۱۹۸۵:

هارولد کوهن برنامه نقاشی Aaron را ایجاد و نمایش داد .

۱۹۹۰:

پیشرفت های عمده در تمام زمینه های هوش مصنوعی –

  • نمایش های قابل توجهی در یادگیری ماشین
  • استدلال مبتنی بر مورد
  • برنامه ریزی چند عاملی
  • برنامه ریزی
  • داده کاوی ، وب خزنده
  • درک و ترجمه زبان طبیعی
  • چشم انداز ، واقعیت مجازی
  • بازی ها

 

1997:

برنامه شطرنج Deep Blue بر گری کسپاروف قهرمان وقت شطرنج جهان غلبه می کند.

۲۰۰۰:

حیوانات خانگی ربات تعاملی به صورت تجاری در دسترس قرار می گیرند. MIT Kismet را نمایش می دهد ، روباتی با چهره ای که احساسات را بیان می کند. ربات Nomad مناطق دورافتاده قطب جنوب را جستجو می کند و شهاب سنگ ها را پیدا می کند.

 

انواع هوش مصنوعی

هوش مصنوعی را می توان در انواع مختلف تقسیم کرد ، عمدتا دو نوع طبقه بندی اصلی وجود دارد که براساس قابلیت ها و براساس عملکرد AI است. در زیر نمودار جریان آورده شده است که انواع AI را توضیح می دهد.

براساس قابلیت ها : تیپ ۱

۱. AI ضعیف یا AI باریک:

  • هوش مصنوعی باریک نوعی هوش مصنوعی است که قادر به انجام یک کار اختصاصی با هوش است. رایج ترین و در حال حاضر در دسترس بودن هوش مصنوعی هوش مصنوعی باریک در دنیای هوش مصنوعی است.
  • هوش مصنوعی باریک نمی تواند فراتر از حوزه یا محدودیت های خود عمل کند ، زیرا فقط برای یک کار خاص آموزش دیده است. از این رو به آن AI ضعیف نیز گفته می شود. هوش مصنوعی باریک اگر از حد مجاز عبور کند ، می تواند به روش های غیرقابل پیش بینی شکست بخورد.
  • Apple Siriis نمونه خوبی از Narrow AI است ، اما با محدوده عملکردهای از پیش تعریف شده محدودی کار می کند.
  • ابر رایانه واتسون IBM نیز تحت هوش مصنوعی باریک قرار می گیرد ، زیرا از رویکرد سیستم Expert همراه با یادگیری ماشین و پردازش زبان طبیعی استفاده می کند.
  • برخی از نمونه های هوش مصنوعی باریک عبارتند از بازی شطرنج ، پیشنهادات خرید در سایت تجارت الکترونیکی ، اتومبیل های خودران ، تشخیص گفتار و تشخیص تصویر.

۲. هوش مصنوعی عمومی:

  • هوش مصنوعی عمومی نوعی هوش است که می تواند مانند انسان هر کار فکری را با کارایی انجام دهد.
  • ایده پشت هوش مصنوعی عمومی برای ساخت چنین سیستمی که می تواند هوشمندانه تر باشد و خودش مانند یک انسان فکر کند.
  • در حال حاضر ، چنین سیستمی وجود ندارد که بتواند تحت هوش مصنوعی عمومی قرار گیرد و بتواند هر وظیفه ای مانند یک انسان کامل را انجام دهد.
  • محققان جهان اکنون در حال توسعه ماشین آلات با AI عمومی هستند.
  • از آنجا که سیستم هایی با هوش مصنوعی عمومی هنوز تحت تحقیق هستند ، و توسعه چنین سیستم هایی به تلاش و زمان زیادی نیاز دارد.

۳. فوق العاده هوش مصنوعی:

  • Super AI سطحی از هوش سیستم هاست که در آن ماشین ها می توانند از هوش انسان پیشی بگیرند و می توانند هر کاری را بهتر از انسان با خواص شناختی انجام دهند. این نتیجه هوش مصنوعی عمومی است.
  • برخی از ویژگی های اصلی هوش مصنوعی قوی شامل توانایی تفکر ، استدلال ، حل معما ، قضاوت ، برنامه ریزی ، یادگیری و برقراری ارتباط توسط خود او می باشد.
  • Super AI هنوز یک مفهوم فرضی از هوش مصنوعی است. توسعه چنین سیستم هایی به صورت واقعی هنوز هم وظیفه تغییر جهان است.

هوش مصنوعی : تیپ ۲

۱. ماشین های واکنشی

  • ماشین های کاملا واکنشی اساسی ترین انواع هوش مصنوعی هستند.
  • چنین سیستم های هوش مصنوعی خاطرات یا تجربیات گذشته را برای اقدامات آینده ذخیره نمی کنند.
  • این ماشین ها فقط بر روی سناریوهای فعلی تمرکز می کنند و بر اساس بهترین اقدامات ممکن ، نسبت به آن واکنش نشان می دهند.
  • سیستم Deep Blue IBM نمونه ای از ماشین های واکنشی است.
  • AlphaGo گوگل همچنین نمونه ای از ماشین های واکنشی است.

۲. حافظه محدود

  • دستگاه های حافظه محدود می توانند تجربیات گذشته یا برخی از داده ها را برای مدت کوتاهی ذخیره کنند.
  • این ماشین ها می توانند از داده های ذخیره شده فقط برای مدت زمان محدودی استفاده کنند.
  • اتومبیل های خودران یکی از بهترین نمونه های سیستم های حافظه محدود است. این اتومبیل ها می توانند سرعت اخیر اتومبیل های اطراف ، فاصله سایر اتومبیل ها ، محدودیت سرعت و سایر اطلاعات را برای پیمایش در جاده ذخیره کنند.

۳. نظریه ذهن

  • تئوری هوش مصنوعی باید احساسات ، افراد ، باورها و باورهای انسان را درک کند و بتواند مانند انسان تعامل اجتماعی داشته باشد.
  • این نوع ماشین های هوش مصنوعی هنوز توسعه نیافته اند ، اما محققان تلاش و پیشرفت زیادی برای تولید چنین ماشین های هوش مصنوعی دارند.

۴. خودآگاهی

  • هوش مصنوعی از خودآگاهی آینده هوش مصنوعی است. این ماشین ها فوق العاده هوشمند خواهند بود و آگاهی ، احساسات و خودآگاهی خاص خود را خواهند داشت.
  • این ماشین ها هوشمندتر از ذهن انسان خواهند بود.
  • هوش مصنوعی از خودآگاهی هنوز در واقعیت وجود ندارد و این یک مفهوم فرضی است.

انواع عوامل هوش مصنوعی

عوامل را می توان بر اساس درجه درک و توانایی آنها در پنج کلاس گروه بندی کرد. همه این عوامل می توانند عملکرد خود را بهبود بخشند و عملکرد بهتری را در طول زمان ایجاد کنند. این موارد در زیر آورده شده است:

  • عامل بازتاب ساده
  • عامل بازتابنده مبتنی بر مدل
  • عوامل مبتنی بر هدف
  • عامل مبتنی بر نرم افزار
  • عامل یادگیری

۱. عامل رفلکس ساده:

  • عوامل بازتابنده ساده ساده ترین عوامل هستند. این کارگزاران بر اساس ادراکات فعلی تصمیم می گیرند و بقیه تاریخ ادراک را نادیده می گیرند.
  • این عوامل فقط در یک محیط کاملاً قابل مشاهده موفق می شوند.
  • عامل بازتاب ساده در طی روند تصمیم گیری و اقدام خود هیچ بخشی از تاریخ ادراک را در نظر نمی گیرد.
  • عامل رفلکس Simple بر روی قانون شرطی عمل عمل می کند ، به این معنی که از وضعیت فعلی به عمل می آید. مانند یک عامل تمیز کننده اتاق ، فقط در صورت وجود آلودگی در اتاق کار می کند.
  • مشکلات رویکرد ساده طراحی عامل بازتابنده:
    • آنها هوش بسیار محدودی دارند
    • آنها از بخشهای غیر ادراکی وضعیت فعلی آگاهی ندارند
    • عمدتا برای تولید و ذخیره سازی خیلی بزرگ است.
    • با تغییرات محیط سازگار نیست.

۲. عامل رفلکس مبتنی بر مدل

  • نماینده مبتنی بر مدل می تواند در یک محیط تا حدی قابل مشاهده کار کند و وضعیت را ردیابی کند.
  • یک عامل مبتنی بر مدل دو فاکتور مهم دارد:
    • مدل: این دانش در مورد “چگونگی اتفاقات در جهان است” ، بنابراین یک عامل مبتنی بر مدل نامیده می شود.
    • حالت داخلی: نمایش وضعیت فعلی براساس تاریخ ادراک است.
  • این کارگزاران الگویی دارند که “آن دانش جهان است” و براساس الگویی که اعمال را انجام می دهند.
  • به روزرسانی حالت عامل نیاز به اطلاعاتی در مورد:
    1. چگونه جهان تکامل می یابد
    2. عملکرد عامل چگونه بر جهان تأثیر می گذارد.

۳. عوامل مبتنی بر هدف

  • دانش در مورد وضعیت فعلی همیشه برای تصمیم گیری در مورد نماینده ای که باید انجام دهد کافی نیست.
  • نماینده باید هدف خود را که شرایط مطلوب را توصیف می کند ، بداند.
  • عوامل مبتنی بر هدف با داشتن اطلاعات “هدف” قابلیت های عامل مبتنی بر مدل را گسترش می دهند.
  • آنها عملی را انتخاب می کنند ، تا بتوانند به هدف برسند.
  • این عوامل ممکن است مجبور باشند قبل از تصمیم گیری در مورد رسیدن به هدف ، توالی طولانی از اقدامات احتمالی را در نظر بگیرند. چنین ملاحظاتی از سناریوی مختلف جستجو و برنامه ریزی نامیده می شود ، که عامل را فعال می کند.

۴. عوامل مبتنی بر سودمندی

  • این عوامل مشابه عامل مبتنی بر هدف هستند اما یک جز extra اضافی از اندازه گیری ابزار را فراهم می کنند که با ارائه اندازه گیری موفقیت در یک حالت خاص ، آنها را متفاوت می کند.
  • عامل مبتنی بر ابزار نه تنها اهداف بلکه بهترین راه برای رسیدن به هدف را نیز عمل می کند.
  • عامل مبتنی بر نرم افزار زمانی مفید است که گزینه های متعدد احتمالی وجود داشته باشد ، و یک عامل برای انجام بهترین اقدامات مجبور به انتخاب است.
  • تابع ابزار هر ایالت را به یک عدد واقعی ترسیم می کند تا بررسی کند هر عملی با چه کارآیی به اهداف می رسد.

۵. عوامل یادگیری

  • عامل یادگیری در هوش مصنوعی نوعی عامل است که می تواند از تجربیات گذشته خود بیاموزد ، یا از قابلیت های یادگیری برخوردار است.
  • این کار با دانش اولیه شروع به عمل می کند و سپس از طریق یادگیری قادر به عمل و سازگاری خودکار است.
  • یک عامل یادگیری عمدتا دارای چهار م componentsلفه مفهومی است که عبارتند از:
    1. عنصر یادگیری: مسئول ایجاد پیشرفت با یادگیری از محیط زیست است
    2. منتقد: عنصر یادگیری از منتقد بازخورد می گیرد که توصیف می کند عملکرد نماینده با توجه به یک استاندارد عملکرد ثابت خوب است.
    3. عنصر عملکرد: وظیفه انتخاب اقدام خارجی را بر عهده دارد
    4. تولیدکننده مسئله: این م componentلفه وظیفه پیشنهاد اقداماتی را دارد که منجر به تجربه های جدید و آموزنده می شود.
  • از این رو ، عوامل یادگیری قادر به یادگیری ، تجزیه و تحلیل عملکرد ، و به دنبال راه های جدید برای بهبود عملکرد هستند.

عوامل در هوش مصنوعی

یک سیستم هوش مصنوعی را می توان به عنوان مطالعه عامل منطقی و محیط آن تعریف کرد. عوامل از طریق حسگرها محیط را حس می کنند و از طریق محرک ها بر محیط خود عمل می کنند. یک عامل هوش مصنوعی می تواند دارای ویژگی های ذهنی مانند دانش ، اعتقاد ، قصد و غیره باشد.

نماینده چیست؟

عامل می تواند هر چیزی باشد که محیط را از طریق حسگرها درک کند و از طریق محرک ها بر آن محیط عمل کند. یک مأمور در چرخه ادراک ، تفکر و بازیگری می دود . یک نماینده می تواند:

  • عامل انسانی: عامل انسانی دارای چشم ، گوش و اندام های دیگر است که برای حسگرها و دست ، پاها ، دستگاه صوتی برای محرک ها کار می کنند.
  • Robotic Agent: یک عامل رباتیک می تواند دارای دوربین ، ردیاب مادون قرمز ، NLP برای حسگرها و موتورهای مختلف برای محرک باشد.
  • عامل نرم افزار: عامل نرم افزار می تواند کلید ، محتویات پرونده را به عنوان ورودی حسی داشته باشد و بر اساس آن ورودی ها و نمایش خروجی بر روی صفحه عمل کند.

از این رو دنیای اطراف ما پر از عوامل مانند ترموستات ، تلفن همراه ، دوربین است و حتی ما نیز عوامل هستیم.

قبل از حرکت به جلو ، ابتدا باید در مورد سنسورها ، اثر دهنده ها و محرک ها بدانیم.

سنسور: سنسور وسیله ای است که تغییر در محیط را تشخیص می دهد و اطلاعات را به سایر دستگاه های الکترونیکی می فرستد. یک عامل از طریق سنسورها محیط خود را مشاهده می کند.

محرک ها: محرک ها جز component ماشین هایی هستند که انرژی را به حرکت تبدیل می کنند. محرک ها فقط وظیفه حرکت و کنترل سیستم را بر عهده دارند. محرک می تواند یک موتور الکتریکی ، چرخ دنده ، ریل و غیره باشد.

اثرات: اثرات دستگاه هایی که محیط زیست تاثیر می گذارد. تأثیرگذار می تواند پا ، چرخ ، بازو ، انگشت ، بال ، باله و صفحه نمایش باشد.

عوامل هوشمند:

عامل هوشمند یک موجود مستقل است که برای دستیابی به اهداف با استفاده از سنسورها و محرک ها در یک محیط عمل می کند. یک عامل باهوش ممکن است برای رسیدن به اهداف خود از محیط یاد بگیرد. ترموستات نمونه ای از یک عامل هوشمند است.

در زیر چهار قانون اصلی برای یک عامل هوش مصنوعی آورده شده است:

  • قانون ۱: یک عامل هوش مصنوعی باید توانایی درک محیط را داشته باشد.
  • قانون ۲: برای تصمیم گیری باید از مشاهده استفاده شود.
  • قانون ۳: تصمیم باید منجر به اقدام شود.
  • قانون ۴: عملی که توسط یک عامل هوش مصنوعی انجام می شود باید یک عمل منطقی باشد.

عامل منطقی:

یک عامل منطقی عاملی است که دارای اولویت مشخص است ، عدم اطمینان را مدل می کند و به گونه ای عمل می کند که اندازه گیری عملکرد خود را با تمام اقدامات ممکن به حداکثر برساند.

گفته می شود یک عامل منطقی کارهای درست را انجام می دهد. هوش مصنوعی در مورد ایجاد عوامل منطقی برای استفاده برای تئوری بازی و تئوری تصمیم گیری برای سناریوهای مختلف دنیای واقعی است.

برای یک عامل هوش مصنوعی ، عمل منطقی از اهمیت بیشتری برخوردار است زیرا در الگوریتم یادگیری تقویت هوش مصنوعی ، برای هر عملکرد بهتر ممکن ، عامل پاداش مثبت می گیرد و برای هر عمل اشتباه ، یک عامل پاداش منفی می گیرد.

عقلانیت:

عقلانیت یک عامل با معیار عملکرد آن سنجیده می شود. عقلانیت را می توان بر اساس نکات زیر قضاوت کرد:

  • معیار عملکرد که معیار موفقیت را تعریف می کند.
  • دانش قبلی نماینده محیط خود.
  • بهترین اقدامات ممکن که یک نماینده می تواند انجام دهد.
  • توالی ادراکات.

ساختار یک عامل هوش مصنوعی

وظیفه هوش مصنوعی طراحی یک برنامه عامل است که عملکرد عامل را پیاده سازی کند. ساختار یک عامل هوشمند ترکیبی از برنامه معماری و عامل است. می توان آن را به صورت زیر مشاهده کرد:

در زیر سه اصطلاح اصلی که در ساختار یک عامل هوش مصنوعی نقش دارد:

معماری: معماری ماشین آلاتی است که یک عامل هوش مصنوعی بر روی آنها اجرا می کند.

عملکرد عامل: از عملکرد عامل برای ترسیم یک ادراک به یک عمل استفاده می شود.

برنامه عامل: برنامه عامل اجرای عملکرد عامل است. یک برنامه عامل برای تولید تابع f بر روی معماری فیزیکی اجرا می کند.

نمایندگی PEAS

PEAS نوعی از مدل است که یک عامل هوش مصنوعی بر روی آن کار می کند. هنگامی که یک عامل AI یا عامل منطقی را تعریف می کنیم ، پس می توانیم خواص آن را تحت مدل نمایندگی PEAS گروه بندی کنیم. از چهار کلمه تشکیل شده است:

  • P: اندازه گیری عملکرد
  • ه: محیط زیست
  • پاسخ: محرک ها
  • S: حسگرها

در اینجا اندازه گیری عملکرد هدف موفقیت رفتار یک نماینده است.

PEAS برای اتومبیل های خودران:

بیایید فرض کنیم یک ماشین خودران پس از آن نمایندگی PEAS خواهد بود:

عملکرد: ایمنی ، زمان ، رانندگی قانونی ، راحتی

محیط زیست: جاده ها ، وسایل نقلیه دیگر ، علائم راه ، عابر پیاده

محرک ها: فرمان ، گاز ، ترمز ، سیگنال ، بوق

حسگرها: دوربین ، GPS ، سرعت سنج ، کیلومتر شمار ، شتاب سنج ، سونار.

محیط عامل در هوش مصنوعی

محیط هر چیزی در جهان است که عامل را احاطه می کند ، اما خود بخشی از یک عامل نیست. یک محیط را می توان شرایطی توصیف کرد که در آن یک عامل حضور دارد.

محیط جایی است که نماینده در آن زندگی می کند ، فعالیت می کند و چیزی را برای نماینده فراهم می کند تا بر اساس آن عمل کند. عموماً گفته می شود که یک محیط غیر زنانه است.

ویژگی های محیط زیست

همانطور که از نظر راسل و نورویگ ، یک محیط می تواند از نظر یک نماینده دارای ویژگی های مختلفی باشد:

  1. کاملاً قابل مشاهده در مقابل تا حدی قابل مشاهده
  2. استاتیک در مقابل پویا
  3. گسسته در مقابل مداوم
  4. قطعی در برابر تصادفی
  5. تک عامل در مقابل چند عامل
  6. Episodic vs sequential
  7. شناخته شده در مقابل ناشناخته
  8. قابل دسترسی در مقابل غیرقابل دسترسی

۱. کاملاً قابل مشاهده در مقابل تا حدی قابل مشاهده:

  • اگر یک سنسور عامل بتواند وضعیت کامل یک محیط را در هر برهه از زمان حس کند یا به آن دسترسی پیدا کند ، این یک محیط کاملاً قابل مشاهده است ، در غیر این صورت تا حدی قابل مشاهده است .
  • یک محیط کاملاً مشاهده آسان است زیرا نیازی به حفظ وضعیت داخلی برای پیگیری تاریخ جهان نیست.
  • یک عامل بدون سنسور در همه محیط ها ، پس از آن چنین محیطی غیرقابل مشاهده است .

۲. قطعی در برابر تصادفی:

  • اگر وضعیت فعلی و اقدام منتخب یک عامل بتواند کاملاً وضعیت بعدی محیط را تعیین کند ، آنگاه چنین محیطی را یک محیط قطعی می نامند.
  • یک محیط تصادفی ماهیتی تصادفی دارد و به طور کامل توسط یک عامل تعیین نمی شود.
  • در یک محیط تعیین کننده ، کاملاً قابل مشاهده ، نماینده نیازی به نگرانی در مورد عدم اطمینان ندارد.

۳. Episodic vs Sequential:

  • در یک فضای اپیزودیک ، یک سری اقدامات یک شبه وجود دارد و فقط برداشت فعلی برای عمل لازم است.
  • با این حال ، در محیط Sequential ، یک عامل برای تعیین بهترین اقدامات بعدی به حافظه اقدامات گذشته نیاز دارد.

۴. تک عامل در مقابل چند عامل

  • اگر فقط یک عامل در یک محیط دخیل باشد و خودش کار کند ، چنین فضایی را محیط عامل واحد می نامند.
  • با این حال ، اگر عوامل متعددی در یک محیط کار می کنند ، پس چنین محیطی را محیط چند عامل می نامند.
  • مشکلات طراحی عامل در محیط چند عامل با محیط یک عامل متفاوت است.

۵. استاتیک در مقابل پویا:

  • اگر محیط بتواند خودش را تغییر دهد در حالی که یک عامل در حال بررسی است ، چنین محیطی را یک محیط پویا می نامند و دیگری آن را یک محیط ایستا می نامند.
  • برخورد با محیط های ساکن آسان است زیرا یک عامل در هنگام تصمیم گیری برای اقدام نیازی به ادامه نگاه به جهان ندارد.
  • با این حال برای یک محیط پویا ، عوامل باید در هر عملی به جهان نگاه کنند.
  • رانندگی با تاکسی مثالی از یک محیط پویا است در حالی که پازل جدول کلمات متقاطع نمونه ای از یک محیط ثابت است.

۶. گسسته در مقابل مداوم:

  • اگر در یک محیط تعداد محدودی از ادراکات و کنش هایی وجود داشته باشد که بتوان در آن انجام داد ، پس چنین محیطی را به عنوان یک محیط گسسته می نامند و در غیر اینصورت به آن محیط پیوسته می گویند.
  • یک شطرنج در یک محیط گسسته قرار می گیرد زیرا تعداد محدودی حرکت وجود دارد که می تواند انجام شود.
  • اتومبیل خودران نمونه ای از یک محیط مداوم است.

۷. شناخته شده در مقابل ناشناخته

  • شناخته شده و ناشناخته در واقع از ویژگی های یک محیط نیست ، اما انجام یک عمل وضعیت دانش یک عامل است.
  • در یک محیط شناخته شده ، نتایج مربوط به همه اقدامات برای عامل شناخته شده است. در حالی که در یک محیط ناشناخته است ، نماینده برای انجام عملی نیاز به یادگیری نحوه کار دارد.
  • کاملاً ممکن است یک محیط شناخته شده تا حدی قابل مشاهده باشد و یک محیط ناشناخته کاملاً قابل مشاهده باشد.

۸. قابل دسترسی در مقابل غیرقابل دسترسی

  • اگر یک نماینده بتواند اطلاعات کامل و دقیقی راجع به محیط ایالت بدست آورد ، پس چنین محیطی را می توان محیط دسترسی نامید و غیرقابل دسترسی می نامند.
  • یک اتاق خالی که حالت آن را می توان با دمای آن تعریف کرد ، نمونه ای از یک محیط قابل دسترسی است.
  • اطلاعات مربوط به یک رویداد روی زمین نمونه ای از محیط غیرقابل دسترسی است.

آزمون تورینگ در هوش مصنوعی

در سال ۱۹۵۰ ، آلن تورینگ آزمایشی را برای بررسی اینکه آیا یک ماشین می تواند مانند یک انسان فکر کند یا خیر ، ارائه داد ، این آزمایش به عنوان تست تورینگ شناخته می شود. در این آزمایش ، تورینگ پیشنهاد داد که اگر بتواند در شرایط خاص پاسخ انسان را تقلید کند ، می توان گفت که یک کامپیوتر هوشمند است.

تورینگ تست توسط تورینگ در مقاله خود در سال ۱۹۵۰ با عنوان “ماشین آلات محاسبه و هوش” ، که س consideredال “آیا ماشین می تواند فکر کند؟”

آزمون تورینگ مبتنی بر یک بازی مهمانی “بازی تقلیدی” است که دارای برخی تغییرات است. این بازی شامل سه بازیکن است که در آن یک بازیکن رایانه است ، بازیکن دیگر پاسخ دهنده انسانی است و بازیکن سوم یک بازجوی انسانی است که از دو بازیکن دیگر جدا شده و کار او این است که کدام بازیکن را در بین آنها بازی کند.

در نظر بگیرید ، Player A یک رایانه است ، Player B انسان است و Player C یک بازجو است. بازپرس می داند که یکی از آنها ماشینی است ، اما باید این موضوع را براساس س questionsالات و پاسخ آنها شناسایی کند.

مکالمه بین همه بازیکنان از طریق صفحه کلید و صفحه انجام می شود بنابراین نتیجه به توانایی دستگاه در تبدیل کلمات به عنوان گفتار بستگی ندارد.

نتیجه آزمون به هر پاسخ صحیح بستگی ندارد ، بلکه فقط به میزان نزدیک بودن پاسخ های آن مانند یک پاسخ انسانی بستگی دارد. رایانه مجاز است هر کاری را که ممکن است انجام دهد تا شناسایی اشتباه توسط بازپرس را مجبور کند.

پرسش و پاسخ می تواند مانند موارد زیر باشد:

بازپرس: آیا شما کامپیوتر هستید؟

PlayerA (رایانه): نه

بازجو: دو عدد بزرگ مانند (۲۵۶۸۹۶۴۸۹ * ۴۵۶۷۲۵۸۹۶) را ضرب کنید

بازیکن A: مکث طولانی و پاسخ اشتباه.

در این بازی ، اگر بازجو نتواند تشخیص دهد که کدام یک ماشین است و کدام یک انسان است ، پس کامپیوتر با موفقیت آزمون را پشت سر می گذارد و گفته می شود دستگاه هوشمند است و می تواند مانند یک انسان فکر کند.

“در سال ۱۹۹۱ ، هیو لوبنر ، تاجر نیویورکی ، مسابقه جایزه را اعلام کرد و جایزه ۱۰۰۰۰۰ دلاری را برای اولین رایانه ای که در آزمون تورینگ قبول شد ، ارائه می دهد. با این حال ، هیچ برنامه هوش مصنوعی تا به امروز ، نزدیک به قبولی در آزمون تورینگ غیرقابل حل است.”

Chatbots برای آزمایش آزمون تورینگ:

الیزا: الیزا یک برنامه کامپیوتری پردازش زبان طبیعی بود که توسط جوزف وایزنباوم ایجاد شد. برای نشان دادن توانایی ارتباط بین ماشین و انسان ایجاد شده است. این یکی از اولین chatterbots بود که اقدام به آزمایش تورینگ کرده است.

پری: پری پچ پچ بود که توسط کنت کلبی در سال ۱۹۷۲ ایجاد شد. پری برای شبیه سازی فردی مبتلا به اسکیزوفرنی پارانوئید (شایع ترین اختلال روانی مزمن) طراحی شده است. پری به عنوان “الیزا با نگرش” توصیف شد. پری با استفاده از تنوع تست تورینگ در اوایل دهه ۱۹۷۰ مورد آزمایش قرار گرفت.

یوجین گوستمن: یوجین گوستمن یک گپ بات بود که در سال ۲۰۰۱ در سن پترزبورگ توسعه یافت. این ربات در تعداد مختلفی از تورینگ تست شرکت کرده است. در ژوئن ۲۰۱۲ ، در یک رویداد ، گوستمن برنده مسابقه ای شد که به عنوان بزرگترین محتوای آزمون تورینگ شناخته شده است ، که در آن ۲۹٪ از قضات را به انسان بودن متقاعد کرده است. گوستمن شبیه یک پسر مجازی ۱۳ ساله بود.

بحث اتاق چینی:

بسیاری از فیلسوفان بودند که واقعاً با مفهوم کامل هوش مصنوعی مخالف بودند. مشهورترین بحث در این لیست ” اتاق چینی ” بود .

در سال ۱۹۸۰ ، جان سرل در مقاله خود با عنوان ” ذهن ، مغز و برنامه ” آزمایش تفکر ” اتاق چینی ” را ارائه داد که مخالف اعتبار آزمون تورینگ بود. طبق استدلال وی ، ” برنامه نویسی رایانه ممکن است آن را به فهم یک زبان تبدیل کند ، اما درک واقعی از زبان یا شعور در رایانه ایجاد نخواهد کرد.”

او استدلال کرد که ماشین هایی مانند ELIZA و Parry می توانند به راحتی با دستکاری کلمات کلیدی و نماد ، آزمون تورینگ را پشت سر بگذارند ، اما آنها هیچ درک واقعی از زبان ندارند. بنابراین نمی توان آن را به عنوان توانایی “تفکر” ماشین مانند انسان توصیف کرد.

ویژگی های مورد نیاز برای گذراندن آزمون تورینگ توسط دستگاه:

  • پردازش زبان طبیعی: NLP برای برقراری ارتباط با بازپرس به زبان عمومی انسان مانند انگلیسی لازم است.
  • نمایش دانش: برای ذخیره و بازیابی اطلاعات در طول آزمون.
  • استدلال خودکار: برای استفاده از اطلاعات ذخیره شده قبلی برای پاسخ به سالات.
  • یادگیری ماشین: برای انطباق تغییرات جدید و تشخیص الگوهای کلی.
  • چشم انداز (برای تست تورینگ کل): برای شناسایی اقدامات بازجو و سایر اشیا during در طول یک آزمون.
  • کنترل موتور (برای آزمایش تورینگ کل): در صورت درخواست بر روی اشیا act عمل کنید.

الگوریتم های جستجو در هوش مصنوعی

الگوریتم های جستجو یکی از مهمترین زمینه های هوش مصنوعی هستند. این مبحث در مورد الگوریتم های جستجو در AI توضیح می دهد.

عوامل حل مسئله:

در هوش مصنوعی ، تکنیک های جستجو روشهای حل مسئله جهانی هستند. عوامل منطقی یا عوامل حل مسئله در هوش مصنوعی بیشتر از این استراتژی های جستجو یا الگوریتم ها برای حل یک مسئله خاص و ارائه بهترین نتیجه استفاده می کنند. عوامل حل مسئله عوامل مبتنی بر هدف هستند و از نمایش اتمی استفاده می کنند. در این مبحث ، الگوریتم های مختلف جستجوی حل مسئله را خواهیم آموخت.

اصطلاحات الگوریتم جستجو:

  • جستجو: جستجو یک روش گام به گام برای حل یک مسئله جستجو در یک فضای جستجوی مشخص است. یک مشکل جستجو می تواند سه عامل اصلی داشته باشد:
    1. فضای جستجو: فضای جستجو نمایانگر مجموعه ای از راه حل های ممکن است که ممکن است یک سیستم داشته باشد.
    2. Start State: حالتی است که نماینده جستجو در آن را آغاز می کند .
    3. تست هدف: این تابعی است که وضعیت فعلی را مشاهده می کند و در صورت رسیدن به هدف ، برمی گردد.
  • درخت جستجو: نمایش درختی از مسئله جستجو درخت جستجو نامیده می شود. ریشه درخت جستجو گره ریشه است که مربوط به حالت اولیه است.
  • Actions: شرح کلیه اقدامات موجود برای نماینده است.
  • مدل انتقال: توصیفی از آنچه هر عمل انجام می دهد ، می تواند به عنوان یک مدل انتقال نشان داده شود.
  • هزینه مسیر: تابعی است که به هر مسیر یک مقدار عددی اختصاص می دهد.
  • راه حل: توالی عملی است که از گره شروع به گره هدف هدایت می شود.
  • راه حل بهینه: اگر یک راه حل کمترین هزینه را در بین تمام راه حل ها دارد.

ویژگی های الگوریتم های جستجو:

در زیر چهار ویژگی اساسی الگوریتم های جستجو برای مقایسه کارایی این الگوریتم ها آورده شده است:

بعدی← پیشینالگوریتم های جستجو در هوش مصنوعیالگوریتم های جستجو یکی از مهمترین زمینه های هوش مصنوعی هستند. این مبحث در مورد الگوریتم های جستجو در AI توضیح می دهد.عوامل حل مسئله:در هوش مصنوعی ، تکنیک های جستجو روشهای حل مسئله جهانی هستند. عوامل منطقی یا عوامل حل مسئله در هوش مصنوعی بیشتر از این استراتژی های جستجو یا الگوریتم ها برای حل یک مسئله خاص و ارائه بهترین نتیجه استفاده می کنند. عوامل حل مسئله عوامل مبتنی بر هدف هستند و از نمایش اتمی استفاده می کنند. در این مبحث ، الگوریتم های مختلف جستجوی حل مسئله را خواهیم آموخت.اصطلاحات الگوریتم جستجو:جستجو: جستجو یک روش گام به گام برای حل یک مسئله جستجو در یک فضای جستجوی مشخص است. یک مشکل جستجو می تواند سه عامل اصلی داشته باشد:فضای جستجو: فضای جستجو نمایانگر مجموعه ای از راه حل های ممکن است که ممکن است یک سیستم داشته باشد.Start State: حالتی است که نماینده جستجو در آن را آغاز می کند .تست هدف: این تابعی است که وضعیت فعلی را مشاهده می کند و در صورت رسیدن به هدف ، برمی گردد.درخت جستجو: نمایش درختی از مسئله جستجو درخت جستجو نامیده می شود. ریشه درخت جستجو گره ریشه است که مربوط به حالت اولیه است.Actions: شرح کلیه اقدامات موجود برای نماینده است.مدل انتقال: توصیفی از آنچه هر عمل انجام می دهد ، می تواند به عنوان یک مدل انتقال نشان داده شود.هزینه مسیر: تابعی است که به هر مسیر یک مقدار عددی اختصاص می دهد.راه حل: توالی عملی است که از گره شروع به گره هدف هدایت می شود.راه حل بهینه: اگر یک راه حل کمترین هزینه را در بین تمام راه حل ها دارد.ویژگی های الگوریتم های جستجو:در زیر چهار ویژگی اساسی الگوریتم های جستجو برای مقایسه کارایی این الگوریتم ها آورده شده است:کامل بودن: گفته می شود که یک الگوریتم جستجو در صورت تضمین بازگشت یک راه حل در صورت وجود حداقل هر راه حل برای هر ورودی تصادفی ، کامل است.Optimality: اگر یک راه حل برای یک الگوریتم تضمین شده باشد که بهترین راه حل (کمترین هزینه مسیر) در بین راه حل های دیگر باشد ، گفته می شود که چنین راه حلی برای یک راه حل بهینه است.پیچیدگی زمان: پیچیدگی زمان معیاری برای زمان انجام یک الگوریتم برای تکمیل وظیفه خود است.پیچیدگی فضا: حداکثر فضای ذخیره سازی مورد نیاز در هر نقطه از جستجو ، به عنوان پیچیدگی مشکل است.انواع الگوریتم های جستجوبر اساس مشکلات جستجو می توان الگوریتم های جستجو را در الگوریتم های جستجوی ناآگاه (جستجوی کور) و جستجوی آگاهانه (جستجوی اکتشافی) طبقه بندی کرد.

جستجوی ناآگاهانه / کور:

جستجوی ناآگاهانه حاوی هیچ دانش دامنه ای از جمله نزدیکی ، مکان هدف نیست. این کار به روش brute-force انجام می شود زیرا فقط شامل اطلاعاتی در مورد نحوه عبور از درخت و نحوه شناسایی گره های برگ و هدف است. جستجوی ناآگاه راهی است که درخت جستجو بدون هیچ گونه اطلاعاتی درباره فضای جستجو مانند اپراتورهای حالت اولیه جستجو می شود و هدف را آزمایش می کند ، بنابراین جستجوی کور نیز نامیده می شود. این هر گره از درخت را بررسی می کند تا زمانی که به گره هدف برسد.

می توان آن را به پنج نوع اصلی تقسیم کرد:

  • جستجو برای اولین بار
  • جستجوی هزینه یکنواخت
  • جستجوی عمق اول
  • جستجوی عمیق و عمیق تکراری
  • جستجوی دو طرفه

جستجوی آگاهانه

الگوریتم های جستجوی آگاهانه از دانش دامنه استفاده می کنند. در جستجوی آگاهانه ، اطلاعات مربوط به مشکل موجود است که می تواند جستجو را راهنمایی کند. استراتژی های جستجوی آگاهانه می توانند به طرز مlyثرتری نسبت به استراتژی جستجوی ناآگاه راه حلی پیدا کنند. جستجوی آگاهانه را جستجوی اکتشافی نیز می نامند.

اکتشافی راهی است که ممکن است همیشه برای بهترین راه حل ها تضمین نشده باشد اما تضمین می شود که یک راه حل خوب را در زمان مناسب پیدا کنید.

جستجوی آگاهانه می تواند مسئله پیچیده ای را حل کند که به روش دیگری قابل حل نیست.

نمونه ای از الگوریتم های جستجوی آگاهانه مسئله فروشنده در سفر است.

  1. جستجوی حریصانه
  2. A * جستجو

الگوریتم های جستجوی ناآگاه

جستجوی ناآگاهانه گروهی از الگوریتم های جستجوی هدف عمومی است که به صورت بی رحمانه عمل می کند. الگوریتم های جستجوی ناآگاهانه اطلاعات دیگری در مورد وضعیت یا فضای جستجو به جز نحوه عبور از درخت ندارند ، بنابراین به آن جستجوی کور نیز گفته می شود.

انواع مختلف الگوریتم های جستجوی ناآگاه در زیر آمده است:

  1. جستجو برای اولین بار
  2. عمق اول جستجو
  3. عمق محدود جستجو
  4. جستجوی عمیق و عمیق تکراری
  5. جستجوی هزینه یکنواخت
  6. جستجوی دو طرفه

۱. جستجو برای اولین بار:

  • جستجوی اولین عرض رایج ترین استراتژی جستجو برای عبور از یک درخت یا نمودار است. این الگوریتم به صورت پهنای درخت یا نمودار جستجو می کند ، بنابراین به آن جستجوی عرض اول می گویند.
  • الگوریتم BFS شروع به جستجو از گره ریشه درخت می کند و قبل از انتقال به گره های سطح بعدی ، همه گره های جانشین را در سطح فعلی گسترش می دهد.
  • الگوریتم جستجوی عرض اول ، نمونه ای از الگوریتم جستجوی نمودار عمومی است.
  • جستجو برای اولین بار با استفاده از ساختار داده های صف FIFO انجام شد.

مزایای:

  • در صورت وجود راه حل ، BFS راه حلی ارائه می دهد.
  • اگر برای یک مسئله خاص بیش از یک راه حل وجود داشته باشد ، BFS کمترین راه حل را ارائه می دهد که به حداقل تعداد مراحل نیاز دارد.

معایب:

  • این به حافظه زیادی نیاز دارد زیرا هر سطح از درخت باید در حافظه ذخیره شود تا سطح بعدی گسترش یابد.
  • اگر محلول از گره ریشه دور باشد ، BFS به زمان زیادی نیاز دارد.

مثال:

در ساختار درخت زیر ، تراورس درخت را با استفاده از الگوریتم BFS از گره ریشه S به گره هدف K. الگوریتم جستجوی BFS در لایه ها نشان داده ایم ، بنابراین مسیری را نشان می دهد که با فلش نقطه چین نشان داده شده است ، و مسیر پیموده شده:

پیچیدگی زمان: پیچیدگی زمان الگوریتم BFS را می توان با تعداد گره های پیموده شده در BFS تا کم عمق ترین گره بدست آورد. جایی که d = عمق کم عمق ترین محلول و b گره ای در هر حالت باشد.

T (b) = 1 + b ۲ + b ۳ + ……. + b d = O (b d )

پیچیدگی فضایی: پیچیدگی فضایی الگوریتم BFS با اندازه حافظه مرز که O (b d ) است داده می شود.

کامل بودن: BFS کامل است ، به این معنی که اگر کمترین گره گل در عمق محدودی باشد ، BFS یک راه حل پیدا می کند.

Optimality: اگر هزینه مسیر یک تابع کاهش نیافته از عمق گره باشد ، BFS بهینه است.

۲. جستجوی عمق اول

  • عمق اول جستجو یک الگوریتم بازگشتی برای پیمایش یک درخت یا ساختار داده نمودار است.
  • جستجوی عمق اول نامیده می شود زیرا از گره ریشه شروع می شود و قبل از حرکت به مسیر بعدی ، هر مسیر را به بزرگترین گره عمق خود دنبال می کند.
  • DFS برای اجرای خود از یک ساختار داده پشته استفاده می کند.
  • روند الگوریتم DFS مشابه الگوریتم BFS است.
0 0 votes
Article Rating
Subscribe
Notify of
guest
0 Comments
Inline Feedbacks
View all comments

درباره ما

پایتونی/تیم توسعه زبان برنامه نویسی پایتون ، اولین ارایه دهنده خدمات هوش مصنوعی بر بستری ابری ایران می باشد . هدف اصلی پایتونی ها ساخت یک جامعه از توسعه دهندگان به روز ترین و کاربردی ترین زبان برنامه نویسی دنیا در ایران است .

 

logo-samandehi

[form to=”[email protected]” subject=”Subject”] [form_element type=”text” validate=”email” options=”” placeholder=”ایمیل”] [form_element type=”submit” validate=”” options=”” placeholder=”ارسال”] [/form]

 

 

X